谷歌本周发布了针对人工智能的TensorFlow工具包的新版本
谷歌本周宣布了用于构建机器学习模型的TensorFlow框架的新版本，这是TensorFlow和Cinq之间的一种混搭，Cinq是谷歌开发的另一个用于构建量子计算算法的框架。在一起，它们可以让您构建深度学习模型，使其在未来的量子计算机上运行，而使用的Python代码不会超过一堆。
但是研究论文中有一个警告说明了TensorFlow Quantum。
Google研究的主要作者迈克尔·布劳顿(Michael Broughton)写道：“就作者所知，没有充分的迹象表明我们应该期望在近期内使用QNN进行经典数据分类具有量子优势。”在这种情况下，经典数据意味着要对您的典型照片进行分类，例如对您刚刚拥有的任何其他数据集进行分类。
相反，通常所指的TensorFlow Quantum或TFQ正在使用当今的“嘈杂的中级量子”机器或NISQ来运行利用由量子机械过程直接生成的数据的问题。例如，这可能是“用于提取有关化学结构和化学反应信息的量子化学模拟状态”。或物理学中著名的“多体问题”，了解电子，原子，分子或其他各种实体之间的复杂相互作用。
在此限制范围内，尽管您可以使用去年推出的Google的Sycamore量子计算机或其他系统，但可以完成很多工作，尽管其中大部分是在仿真中进行的。除了作为模拟器的Cinq之外，TFQ还包括“ qsim”，这是一种新的模拟器，Google声称它为许多种类的机器学习任务提供了显着的加速。
TFQ首先以我们处于机器学习的量子计算形式的第二个时代为前提。在几年前的第一阶段，一台量子计算机的全部目的是加快深度学习的核心矩阵乘法和其他线性代数运算的速度。(结果证明线性代数是物理学和量子计算的核心，因此，至少在理论上它们很好地结合在一起)。
但是，近年来，该领域已经超越了使用量子位作为运行线性代数的简单“黑匣子”。布劳顿说，我们现在处在“量子神经网络”或QNN时代，布劳顿在安大略省滑铁卢大学的计算机科学学院获得了额外任命。
